Guía docente de Análisis de Riesgos (22311K2)

• Para un correcto seguimiento de la materia, se recomiendan conocimientos básicos sobre Teoría de la Probabilidad e Inferencia Estadística.

• Riesgo e incertidumbre: Aspectos conceptuales y epistemológicos.
• Introducción a la teoría de valores extremos.
• Metodologías VaR (Value at Risk) y relacionadas en gestión de riesgos financieros.
• Métodos estadísticos multivariantes aplicados al análisis de riesgos.
• Estudio de casos significativos en distintos campos del aplicación (Finanzas, Ingeniería, Geofísica, Medio Ambiente, Epidemiología, Seguros, entre otros).

• Saber plantear herramientas de decisión basadas en funciones de utilidad, pérdida, riesgo.
• Adquirir los elementos básicos y comprender los principios fundamentales sobre el riesgo en el contexto de la Teoría de la Decisión Estadística.
• Identificar y discernir las conceptualizaciones más significativas acerca del riesgo en distintos campos de aplicación.
• Conocer aspectos básicos de la Teoría de Valores Extremos y su aplicación al análisis estadístico y la evaluación de riesgos.
• Derivar instrumentos para la evaluación y gestión del riesgo y la toma de decisiones a partir del análisis estadístico de indicadores relacionados.
• Conocer modelos, enfoques metodológicos y aplicaciones significativas sobre riesgos en distintos ámbitos.
• Desarrollar casos prácticos mediante software estadístico, incluyendo el análisis de datos reales y estudios basados en simulación.

Tema 1. Preliminares.

• Riesgo e incertidumbre.
• Ejemplos sobre análisis y evaluación de riesgos en distintos campos de aplicación.

Tema 2. Introducción a la teoría de la decisión estadística.

• Función de pérdida y riesgo.
• Modelos de decisión bajo incertidumbre y criterios de optimización: reglas minimax; decisión bayesiana, etc.

Tema 3. Fundamentos sobre medidas de riesgo basadas en distribuciones de pérdida.

• Distribuciones de pérdida y medidas cuantitativas de riesgo.
• Medidas basadas en momentos. Medidas basadas en cuantiles: Value-at-Risk (VaR), Expected Shortfall (ES), medidas espectrales.
• Sobre la elección de una buena medida de riesgo: axiomática; medidas de riesgo convexas, medidas de riesgo coherentes.
• Riesgo y dependencia en un contexto multivariante. Medidas dinámicas de riesgo.

Tema 4. Modelos y técnicas de análisis y evaluación de riesgos en distintos campos de aplicación.

• Distribuciones generalizadas de valores extremos.
• Volatilidad y modelos GARCH.
• Metodologías basadas en VaR.
• Modelos actuariales predictivos.
• Simulación Monte Carlo aplicada al análisis de riesgos.

• Se realizarán prácticas con datos reales y simulados mediante software estadístico relativas a los contenidos tratados en el programa de teoría.
• Se realizarán ejercicios que completen el desarrollo teórico de los contenidos de la asignatura.

• R. Kaas, M. Goovaerts, J. Dhaene, M. Denuit (2008, 2ª ed.) Modern Actuarial Risk Theory, Using R. Springer.
• P. Embrechts, C. Klüppelberg, T. Mikosch (1997) Modelling Extremal Events for Insurance and Finance. Springer.
• Y. Haimes (2009, 3ª ed.) Risk Modeling, Assessment, and Management. Wiley.
• M. Kriele, J. Wolf (2014) Value-Oriented Risk Management of Insurance Companies. Springer.
• H. Kumamoto, E.J. Henley (1996, 2ª ed.) Probabilistic Risk Assessment and Management for Engineers and Scientists. IEEE Press.
• F. Liese, K.-J. Miescke (2009) Statistical Decision Theory: Estimation, Testing and Selection. Springer.
• Y. Malevergne, D. Sornette (2006) Extreme Financial Risks: From Dependence to Risk Management. Springer.
• A.J. McNeil, R. Frey, P. Embrechts (2005) Quantitative Risk Management: Concepts, Techniques and Tools. Princeton University Press.

• S. Albeverio, V. Jentsch, H. Kantz (eds.) (2006) Extreme Events in Nature and Society. Springer.
• T. Aven (2003) Foundations of Risk Analysis. A Knowledge and Decision-Oriented Perspective.
• T. Aven, R. Ortwin (2010) Risk Management and Governance: Concepts, Guidelines and Applications. Springer.
• T. Bedford, R. Cooke (2001) Probabilistic Risk Analysis. Cambridge University Press.
• P. Best (1998) Implementing Value at Risk. Wiley.
• G. Casella, R.L. Berger (2002, 2ª ed.) Statistical Inference. Duxbury.
• E. de Rocquigny (2012) Modelling Under Risk and Uncertainty: An Introduction to Statistical, Phenomenological and Computational Methods. Wiley.
• T.L. Lai, H. Xing (2008) Statistical Models and Methods for Financial Markets. Springer.
• R.-D. Reiss, M. Thomas (2007, 3ª ed.) Statistical Analysis of Extreme Values with Applications to Insurance, Finance, Hydrology and Other Fields. Birkhäuser.
• I. Rychlik, J. Rydén (2006) Probability and Risk Analysis. Springer.

• Basel Commitee on Banking Supervision - https://www.bis.org/bcbs/about/overview.htm?m=2573
• The R Project for Statistical Computing - https://www.r-project.org/
• Python library oriented on risk management in finance (pyRisk) - https://github.com/lprtk/pyRisk
• R-package for spatial risk calculations (spatialrisk) - https://github.com/MHaringa/spatialrisk

• Pruebas específicas de conocimientos orales/escritas: Examen final escrito de teoría y problemas. El porcentaje sobre la calificación final será del 60%.
• Trabajos y seminarios en relación con los contenidos de la asignatura: Se realizarán trabajos sobre determinadas cuestiones teóricas y resolución de problemas relacionados con los diferentes bloques de la materia. El porcentaje sobre la calificación final será del 30%.
• Participación activa en las clases teóricas y prácticas, y demás actividades relacionadas con la asignatura: Participación activa e interés en las clases teóricas y prácticas, y demás actividades relacionadas con la asignatura. El porcentaje sobre la calificación final será del 10%.

El estudiante que no se presente al examen final, tendrá la calificación de “No presentado”.

Examen escrito teórico-práctico sobre el temario que figura en esta guía docente.

• La calificación final será la obtenida en este examen.
• El estudiante que no se presente a este examen tendrá la calificación de “No presentado”.

Examen escrito teórico-práctico sobre el temario que figura en esta guía docente.

• El porcentaje sobre la calificación final será del 100%.
• El estudiante que no se presente a este examen final tendrá la calificación de “No presentado”.

Evaluación por incidencias

En caso de no poder concurrir a alguna de las pruebas de evaluación descritas en esta guía, el estudiantado afectado puede solicitar una evaluación por incidencias. Los casos en los que se justifica la evaluación en una fecha distinta de la programada son los contemplados en el texto consolidado de la Normativa de evaluación y calificación de los estudiantes de la Universidad de Granada. La notificación de la incidencia debe dirigirse al profesorado responsable de la evaluación, aportando la documentación oportuna que la acredite.

Estudiantado con necesidades específicas de apoyo educativo (NEAE)

• La metodología docente y la evaluación serán adaptadas al estudiantado con necesidades específicas de apoyo educativo (NEAE), conforme al Artículo 11 de la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. Información de interés para estudiantado con discapacidad y/o NEAE: https://ve.ugr.es/servicios/atencionsocial/estudiantes-con-discapacidad
• Cualquier elemento de esta guía podrá ser adaptado para atender a la diversidad del alumnado teniendo en cuenta los informes facilitados por los tutores NEAE, y siempre siguiendo la Normativa de la Universidad de Granada: https://www.ugr.es/sites/default/files/2017-09/NCG1114.pdf

Uso de herramientas de inteligencia artificial

• En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

Otros aspectos referentes a la evaluación

• El uso de material de apoyo durante los exámenes, distinto del permitido por el profesorado, puede derivar en la anulación del examen. En particular, la detección de cualquier comunicación con otras personas durante la prueba (ya sea personal, por chat, WhatsApp, videoconferencia…) será motivo de anulación de la prueba. Asimismo, el uso de herramientas de inteligencia artificial durante una prueba implica la anulación inmediata de la prueba. La reincidencia en el uso de este tipo de recursos no permitidos conlleva el suspenso con cero puntos en la convocatoria en curso.
• Se recuerda al estudiantado que las pruebas de evaluación deben realizarse con un documento de identidad oficial, como el DNI o el pasaporte.

• Si se diera la posibilidad de realizar trabajos evaluables en el contexto de la asignatura, estos se ajustarán a las indicaciones recogidas en la Normativa de Evaluación y de Calificación de los estudiantes de la Universidad de Granada , destacando aquí los puntos 1 y 2 recogidos en el artículo 15 sobre la originalidad de los trabajos presentados por el estudiantado:

1. La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello procederá a reconocer la autoría de los trabajos y su protección de acuerdo con la propiedad intelectual según establezca la legislación vigente.
2. El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Sí, lenguaje R y/o Python.